Figura che spiega come il deep learning basato, Il sistema di rilevamento RF sviluppato dai ricercatori funziona. Credito:Liu et al.
I ricercatori della Syracuse University di New York hanno recentemente sviluppato un sistema in grado di rilevare la presenza di esseri umani in un determinato ambiente analizzando i segnali a radiofrequenza ambientale (RF). Questo nuovo sistema, presentato in un articolo pre-pubblicato su arXiv, impiega una rete neurale convoluzionale (CNN) addestrata su una grande quantità di dati RF.
"Inizialmente, abbiamo provato a rilevare i droni in un ambiente esterno utilizzando segnali RF passivi attraverso il deep learning, "Biao Chen, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Il risultato non è stato uniforme nel migliore dei casi:ha funzionato su misurazioni raccolte in determinati giorni, ma fallirebbe in altri giorni."
Per un po 'di tempo, Chen e i suoi colleghi hanno cercato di sviluppare un sistema in grado di rilevare la presenza di droni in ambienti esterni. Però, si sono presto resi conto che rilevare costantemente i droni analizzando i segnali RF passivi era quasi impossibile, poiché non avevano alcun controllo sugli ambienti in cui si stava muovendo. Il loro sistema è stato progettato per estrarre le firme RF indotte dai movimenti del drone mentre altera i canali di propagazione, eppure è stata colpita anche dal passaggio delle auto, persone che portano a spasso i loro cani, e quant'altro si muovesse nell'ambiente circostante.
"Nell'esperimento del drone, non siamo mai stati in grado di ottenere risultati coerenti, " Chen ha spiegato. "Il sistema di apprendimento che abbiamo sviluppato, però, può essere facilmente adattato ad applicazioni indoor dove l'ambiente è molto più facile da controllare e calibrare. Questo alla fine ci ha portato a sviluppare un sistema di rilevamento della presenza basato sul deep learning utilizzando segnali WiFi ambientali".
La presenza di persone in una stanza o in altri ambienti interni può alterare la propagazione dei segnali RF in diversi modi. Pre-elaborando le misurazioni del canale RF, i ricercatori sono stati in grado di creare "immagini" che riassumono i segnali, che potrebbe a sua volta essere analizzato per rilevare la presenza di esseri umani in un dato ambiente.
Hanno quindi addestrato una CNN su una grande quantità di dati contenenti informazioni sia sulla grandezza che sulla fase, due proprietà chiave dei segnali RF. Col tempo, l'algoritmo di deep learning appreso per distinguere quando un ambiente è popolato da esseri umani e quando ne è libero analizzando le cosiddette informazioni sullo stato del canale (CSI).
"Sfruttare l'ubiquità dei segnali RF ambientali come il WiFi, I segnali Bluetooth o cellulari per informazioni sulla consapevolezza della situazione forniscono un valore aggiunto all'infrastruttura RF esistente, " Chen ha detto. "Rilevamento dell'occupazione, Per esempio, è un'applicazione in cui il rilevamento RF può essere un'alternativa a basso costo e priva di infrastrutture o un complemento agli approcci esistenti."
Chen e i suoi colleghi hanno valutato il loro sistema basato sulla CNN in una serie di esperimenti condotti all'interno del loro laboratorio, utilizzando dispositivi Wi-Fi standard. È stato scoperto che il loro sistema rileva in modo affidabile la presenza umana in quasi tutti i casi, superando numerosi sensori a infrarossi passivi all'avanguardia.
Nel futuro, il sistema sviluppato da questo team di ricercatori potrebbe avere una serie di applicazioni utili. Ad esempio, potrebbe essere utilizzato per rilevare la presenza di persone in un'area riservata o riservata. Ottenere dati relativi all'occupazione e alla presenza umana in tempo reale potrebbe anche aiutare a migliorare l'intelligenza dell'edificio e ridurre il consumo di energia (ad es. per la climatizzazione e il controllo dell'illuminazione).
"Il deep learning è spesso pubblicizzato per essere guidato dai dati, " Ha detto Chen. "Il rovescio della medaglia è che la domanda sui dati di formazione (sia in quantità che in qualità) può essere schiacciante. Affinché la tecnologia diventi veramente pratica, l'utente finale non dovrebbe essere gravato dalla raccolta dei dati e dalla formazione. Così, il nostro lavoro attuale e futuro cercherà di ottenere un rilevamento affidabile della presenza senza la necessità di raccogliere dati di movimento".
Questo è un sito web creato dai ricercatori che monitora la presenza umana nel loro laboratorio 24 ore su 24, 7 giorni su 7:demo.wifisensing.com/
© 2020 Scienza X Rete
